Нейросетевые технологии

     Содержание: 

     Введение

     Глава 1. Понятие нейросетевых технологий и нейросетевого  анализа

1. Основные понятия нейросетевого анализа

2. Общие характеристики нейросетей

3. Преимущества  нейросетевых сетей

         Глава 2. Применение нейросетевой технологии

     Глава 3. Оценка кредитоспособности предприятий на основе нейросетевых технологий

       3.1. Построение нейронной сети для определения кредитоспособности заемщика

     Заключение

     Список  использованной литературы 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

     Введение

     Переход к рыночным отношениям в экономике и научно-технический прогресс чрезвычайно ускорили темпы внедрения во все сферы социально-экономической жизни российского общества последних научных разработок в области информационных технологий. Достижение Россией высоких результатов в экономике и завоевание места полноправного партнера в мировой экономической системе в значительной степени зависит от того, каковы будут масштабы использования современных информационных технологий во всех аспектах человеческой деятельности, а также от того, какую роль будут играть эти технологии в повышении эффективности экономических взаимоотношений.

     Предоставление  кредитов является основной экономической  функцией банков, осуществляемой для  финансирования потребительских и  инвестиционных целей предпринимательских  фирм, физических лиц и государственных организаций. Переход России к рыночной экономике и вступление ее на международный финансовый рынок тесно связаны с развитием кредитных отношений, касающихся в первую очередь юридических лиц.

     Одним из важнейших условий успешного управления банком кредитными ресурсами является оценка надежности предприятий - потенциальных заемщиков, а основополагающим показателем, определяющим эту надежность, является кредитоспособность, т.е. способность заемщика полностью и в срок рассчитаться по своим долговым обязательствам (основному долгу и процентам).

     В настоящее время для минимизации  риска и для определения кредитоспособности заемщика зарубежные банки уже давно  используют специально разработанные  для этих целей математические модели - так называемый кредитный скоринг; отечественные же банки до сих пор полагаются на субъективное мнение своих не всегда компетентных сотрудников, а в помощь им предлагают лишь такую известную простому пользователю персонального компьютера программу, как Microsoft Excel.

     Целью дипломной работы является демонстрация разработки перспективной методики для определения надежности потенциального заемщика банка (юридического лица), основанной на нейросетевых технологиях и позволяющей  существенно повысить эффективность работы любой кредитной организации.

     Одновременно  с развитием теоретических подходов для создания адекватных моделей  поведения рынка, в западных странах  и США происходило активное внедрение  новых интеллектуальных компьютерных технологий в практику принятия финансовых и инвестиционных решений: вначале в виде экспертных систем и баз знаний, а затем с конца 80-х - нейросетевых технологий.

     Начало  исследования методов обработки  информации, называемых сегодня нейросетевыми, было положено несколько десятилетий  назад. С течением времени интерес к нейросетевым технологиям то ослабевал, то вновь возрождался. Такое непостоянство напрямую связано с практическими результатами проводимых исследований.

     На  российском финансовом рынке нейросетевые компьютерные технологии появились всего несколько лет назад. Изучение литературы за этот период показало, что ни в одном из источников не содержится подробного описания (с указанием достигнутых результатов) эффективного применения нейросетевых компьютерных технологий для прогнозирования динамики фондового рынка в среднесрочной перспективе. Большинство публикаций (подавляющее большинство из них - в периодической печати) сводится к описанию возможностей нейронных сетей и их потенциальных преимуществ перед другими компьютерными технологиями. Причем большая часть выводов в этих работах сделана на основе результатов применения нейросетей на западных рынках.

     Основной  вклад в развитие теории нейрокомпьютинга и его применения в финансовой сфере внесли ученые стран Запада и США. Это прежде всего: В.-М. ван ден Берг, Д.-Э. Бэстенс, П. Вербос, Л. Вилентурф, Д. Вуд, В. МакКаллох, В. Пите, М. Редмиллер, Ф. Розенблат, Дж. Хопфилд и др. Необходимо отметить также работы отечественных ученых, занимающихся разработкой и внедрением нейросетевых технологий в области экономики, таких как: А. Ежов, Б. Одинцов, А. Романов, С. Шумский и др.

     На  сегодняшний день возможности нейросетевых технологий используются во многих отраслях науки, начиная от медицины и астрономии, заканчивая информатикой и экономикой. Между тем далеко не все потенциальные возможности нейросетевых методов изучены, но одними из их свойств являются возможности распознавания и классификации образов, работы с большими массивами зашумленных данных, аппроксимация и выявление неочевидных зависимостей в данных финансовых временных рядов. На основе этих свойств нейросетевых архитектур можно сделать вывод о значительном преимуществе их использования для анализа и прогнозирования динамик финансовых рядов, в частности фондового рынка.

     Объектом  исследования выступает кредитная система России.

     Предметом исследования являются нейрокомпьютерные  технологии и их использование для оценки кредитоспособности предприятий. 
 
 
 
 
 
 
 
 
 

     Глава 1. Понятие нейросетевых технологий и нейросетевого анализа

1. Основные понятия нейросетевого анализа

     Нейросетевой  анализ - технический анализ сосредотачивается  на индивидуальном поведении конкретного  финансового инструмента.

     Такой подход психологически обоснован сосредоточенностью брокеров именно на том инструменте, с которым они в данный момент работают. Согласно Александру Элдеру (A.Elder), известному специалисту по техническому анализу (по своей предыдущей специальности - психотерапевту), поведение рыночного сообщества имеет много аналогий с поведением толпы, характеризующимся особыми законами массовой психологии. Влияние толпы упрощает мышление, нивелирует индивидуальные особенности и рождает формы коллективного, стадного поведения, более примитивного, чем индивидуальное. В частности, стадные инстинкты повышают роль лидера, вожака. Ценовая кривая, по Элдеру, как раз и является таким лидером, фокусируя на себе коллективное сознание рынка. Такая психологическая трактовка поведения рыночной цены обосновывает применение теории динамического хаоса. Частичная предсказуемость рынка обусловлена относительно примитивным коллективным поведением игроков, которые образуют единую хаотическую динамическую систему с относительно небольшим числом внутренних степеней свободы.

     вырезано

     Параметр k задает крутизну зависимости у  от s: чем больше k, тем ближе сигмоида к пороговой функции, чем меньше k - тем ближе она к линейной. Таким образом, сигмоида является некоторым компромиссом между линейной и ступенчатой функцией, сохраняющим достоинства обеих. Подобно ступенчатой функции она нелинейная - и это важно, поскольку только нелинейные функции позволяют вычленять в пространстве признаков множества сложной формы, в том числе невыпуклые и несвязные. Но в то же время сигмоида в отличие от ступенчатой функции является гладкой, непрерывно дифференцируемой функцией, т.е. переходит от одного значения к другому без разрыва. Это обстоятельство оказывается чрезвычайно важным при поиске экстремума целевой функции в пространстве нейронных параметров: в этом случае зависимость целевой функции от параметров также оказывается гладкой и в каждой точке пространства может быть вычислен градиент целевой функции, указывающий направление поиска экстремума.

     Производная от сигмоидальной функции, характеризующая "силу связи" между s и у также  имеет простой вид:

     dу/ds = kу(1- у).

     Эта величина обращается в нуль на границах диапазона изменения у при у=0 и у=1 и достигает максимума в середине диапазона, т.е. связь между переменными наиболее сильна в середине диапазона и ослабевает к его краям.

     Нейроны организуются в сеть за счет того, что выход i-го нейрона (у_i ) соединяется с одним из входов (х_i) другого j-го нейрона. При этом выходная переменная у_i отождествляется с входной переменной х_i. Поэтому в дальнейшем будем использовать оба обозначения, в зависимости от того, рассматривается ли данная i-ая переменная как входная или как выходная. Весовой коэффициент w_ij ("синаптический вес") характеризует знак и силу связи между переменными х_i и х_j. Возможна и обратная связь, при которой выход j-го нейрона соединяется с i-ым входом i-го нейрона. В общем случае коэффициент этой связи w_ji не обязательно равен w_ij.

     Важнейшим свойством нейрона является его  пластичность - возможность изменять параметры в процессе обучения. В  ранних работах по нейросетям обычно различали два типа пластичности: синаптическую (изменение w_ij ) и пороговую (изменение высоты порога нейрона w_0j ). В настоящее время пороговую пластичность обычно сводят к синаптической с помощью следующей операции. К числу входов j-го нейрона добавляют еще один фиктивный х₀, не связанный ни с каким реальным входным рецептором. На этот вход подают постоянный сигнал, равный +1. Весовой коэффициент этого входа w_0j модифицируют в процессе обучения по общим правилам. Модификация этого коэффициента равносильна смещению порога нейрона.

     вырезано

     - Сложность построения архитектуры сети для конкретной задачи. Для подавляющего большинства реальных задач не разработано стандартных схем, в результате в каждом случае конструирование приходится начинать «с нуля».

     - Сложность интерпретации результатов обучения. Особенности построения нейронной сети будут рассмотрены дальше. Пока же можно отметить, что значения параметров элементов сети почти всегда невозможно объяснить в терминах решаемой задачи, в результате нейронная сеть остается «черным ящиком» не только для пользователей, но, отчасти, и для разработчиков.

       Несмотря на то, что нейронные сети способны решить практически любые задачи, во многих случаях их применение не является целесообразным. Для решения многих проблем более эффективным оказывается применение других математических моделей. В то же время нейронные сети особенно хорошо зарекомендовали себя при решении задач классификации, прогнозирования, кодирования и декодирования информации.

Глава 2. Применение нейросетевой технологий

 

     Типичными задачами, решаемыми нейросетями, являются:

• аппроксимация функций по набору точек (регрессия);
• классификация данных по заданному набору классов;
• кластеризация данных с выявлением заранее неизвестных классов-прототипов;
• сжатие информации;
• восстановление утраченных данных;
• ассоциативная память;
• оптимизация, оптимальное управление.

     Отметим, что между этими внешне различными постановками задач существует глубокое родство.

     Например, задача аппроксимации функции по набору точек является типичным примером задачи, не имеющей единственного решения. Чтобы добиться единственности, такие задачи обычно минимизируют с помощью некоторого функционала. Минимизация такого функционала и является целью обучения нейросети.

     Задачи  оптимизации также сводятся к  минимизации целевых функций при заданном наборе ограничений. С другой стороны, под классификацией можно понимать аппроксимацию функции с дискретными значениями (идентификаторами классов), хотя ее можно рассматривать и как частный случай заполнения пропусков в базах данных, в данном случае - в столбце идентификаторов класса. Задача восстановления утраченных данных, в свою очередь - это ассоциативная память, восстанавливающая прообраз по его части. Такими прообразами в задаче кластеризации выступают центры кластеров. Если информацию удается восстановить по какой-нибудь ее части, значит мы добились сжатия этой информации. 

     вырезано 

     Сложность данного подхода заключается  в том, что в настоящее время  нет единых действующих нормативов для большинства финансовых коэффициентов. По результатам предыдущей работы и основываясь на мнениях экспертов, в каждом банке устанавливаются свои допустимые значения данных показателей, позволяющие судить о надежности заемщика или, наоборот, явно говорящие о низкой степени его кредитоспособности.

     Исходя  из логики существующих способов оценки кредитоспособности юридических лиц  и возможности определения приблизительных  числовых границ значений, в работе выделено 17 критериев, которые условно  можно разделить на следующие  четыре группы: